[发明专利]一种基于深度学习的综采工作面多源异构数据融合方法

摘要

本发明公开了一种基于深度学习的综采工作面多源异构数据融合方法，适用于煤矿智能化开采技术领域。根据综采工作面在开采过程中多源异构数据信息，建立综采工作面多源异构数据的深度学习融合模型：建立综采工作面多源异构数据模型；对多源异构数据模型的空间基准、数据属性和要素关系进行统一化处理；生成综采工作面多源异构数据模型的不规则三角网；提取不规则三角网的特征参数，校验是否满足深度学习算法的迭代条件，建立综采工作面多源异构数据的深度学习融合模型。本发明能快速融合综采工作面在开采过程中各种模式异构数据，并有效提升数据融合的效率与准确度。

主权项

1.一种基于深度学习的综采工作面多源异构数据融合方法，其特征在于：根据综采工作面在开采过程中多源异构数据信息，建立综采工作面多源异构数据的深度学习融合模型；具体步骤包括：a在综采工作面开采过程中采集多源异构数据信息，包括：工作面槽波探测数据、激光扫描仪数据、矿井地测数据、探地雷达数据、三维地震数据，并对上述所有多源异构数据信息进行优化处理，包括：采用弦高差方法去除噪声点、均值滤波方法进行平滑滤波、三次样条插值进行数据修补，建立综采工作面多源异构数据模型；b利用莫洛金斯基七参数坐标转换模型将多源异构数据信息转化为综采工作面多源异构数据模型，并将综采工作面多源异构数据模型中的空间基准、数据属性和要素关系进行统一化处理；c利用逐点插入法生成综采工作面多源异构数据模型的不规则三角网；d提取不规则三角网的特征参数，包括三角网的层数、节点数和训练代数，校验三角网的层数、节点数和训练代数的绝对值线性收敛从而判断是否满足深度学习算法的迭代条件，如不满足迭代条件，通过调整三角网的层数多少、节点的数量和训练代数的大小来实现综采工作面多源异构数据模型满足深度学习算法的迭代条件要求；e如满足深度学习算法的迭代条件，则利用深度学习训练样本进行特征训练，之后利用深度学习验证样本验证综采工作面多源异构数据模型性能，f在步骤e中在深度学习训练样本完成特征训练以及深度学习验证样本完成模型性能验证，利用通用卷积神经网络方法建立综采工作面多源异构数据的深度学习融合模型。